MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico.
|
|
- Sergio Acosta Pinto
- hace 5 años
- Vistas:
Transcripción
1 MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 4: Modelos lineales. 1
2 Objetivos del tema Conocer los parámetros que indican la posible relación lineal entre variables. Aprender la base de los métodos de mínimos cuadrados. Implementar y analizar un modelo lineal. Interpretar los resultados obtenidos con un modelo lineal. Conocer cómo se puede aumentar la potencia de un modelo manteniendo la linealidad en sus parámetros. Conocer y desarrollar una regresión logística. Limitaciones/ventajas. Aprender las limitaciones de los modelos lineales y las posibles formas que se tienen de superar dichas limitaciones. 2
3 Dónde estamos Ya se ha realizado el procesado de los datos previos (se han completado, seleccionado variables, EDA y clustering); el siguiente paso es desarrollar un modelo que resuelva el problema planteado. Los tipos de problemas que se abordan en un problema de decisión clínica son: Problema Clasificación Modelización Predicción. Descripción # C! % 1 X n " $... % & C N!! X n " Yn!! X n " Xn+ p En los tres casos hay que establecer una correspondencia entre unos datos que llamaremos de entrada al modelo y otras que llamaremos de salida Y=g(X). Empezaremos por los modelos más simples: LINEALES EN LOS PARÁMETROS. 3
4 Covarianza y coeficiente de correlación (I). Dadas dos variables se define el estimador de la covarianza entre dichas variables Cov x, y ( ) = 1 N N $ ( x i " m x )# y i " m y i=1 ( ) Este parámetro depende del rango de las variables x e y; se plantea usar un parámetro que no tenga en cuenta dicho rango; aparece entonces lo que se conoce como coeficiente de correlación. coefc x, y ( ) = r xy = Cov(x, y) " x #" y Aquí mk es el valor medio de la variable k. Este parámetro indica la posible relación lineal existente entre las variables x e y. Si no se tiene dicha relación, o es de tipo no lineal, dicho parámetro toma un valor cercano a 0. Las propiedades más importantes de este coeficiente son: No tiene dimensiones Es invariante bajo transformaciones lineales de las variables. Está entre -1 y 1. Su cercanía a 0 indica la ausencia de relación lineal. 4
5 Coeficiente de correlación (II) $ ( ' r >0 $ ' & & r <0!! "!!!"#$!"!%#$ % %#$ " "#$! "!!!"#$!"!%#$ % %#$ " "#$! ' ( & r =0 $ r =0! " ' &! % "!"!&!!!" % "! %!&!!!" % "! 5
6 Regresión simple (I) En ese caso buscamos encontrar la relación lineal entre una variable que denominamos independiente (o variable respuesta) y otra que denominaremos dependiente Finalidad Descripción Estimación. Predicción Testeo Objetivo Describir las relaciones entre las variables Estimar la variable de salida dentro del rango que se tiene Estimar la variable de salida fuera del rango que se tiene Comprobar si existe tal relación mediante test estadísticos El modelo que se plantea es el siguiente y i = " 0 + " 1 # x i + $ i Donde x e y son las variables de interés y los parámetros a determinar son los βk. Aquí los ϵi son variables aleatorias independientes e identicamente distribuidos, i.i.d, de forma normal con media cero y varianza σ 2 estas son la suposiciones que se tienen para este tipo de modelos. Para determinar los parámetros se define lo que se conoce como una función de coste (lo mismo haremos en redes neuronales) que nos dará lo bueno que es el ajuste. La más usual es la que tiene en cuenta los errores cometidos por el modelo al cuadrado J = N $ i=1 { y i " [ b 0 + b 1 # x i ]} 2 6
7 Regresión simple (II) N "J = 0 #&{ y i $ [ b 0 + b 1 % x i ]}% x i = 0 "b 1 i=1 N "J = 0 #&{ y i $ [ b 0 + b 1 % x i ]} = 0 "b 0 i=1 J = N $ i=1 { y i " [ b 0 + b 1 # x i ]} 2 Ahora hay que determinar los parámetros a partir de la función de coste anterior. Hay que fijarse que los términos que aparecen en el sumatorio son la diferencia entre el valor real y el valor estimado por el modelo. A esta diferencia se le conoce como residuo. El objetivo es minimizar dicha función con respecto a los parámetros que se tienen (PROCEDIMIENTO MATEMÁTICO: derivar parcialmente con respecto a cada uno de los parámetros e igualar a cero). Se tiene entonces: 7
8 Regresión simple (III) Los parámetros obtenidos son Una vez estimados los parámetros del modelo cabe preguntarse cómo de precisos son dichos parámetros. Para ello se hace uso del llamado ANOVA (análisis de la varianza) que considera tres términos para analizar (aquí yest es el valor estimado por el modelo lineal): A partir de los parámetros calculados se puede estimar la variable de respuesta para cada valor de x. La varianza de los residuos vendrá dada por 2 " est = b 0 = m y " b 1 # m x N % i=1 { y i # [ b 0 + b 1 $ x i ]} 2 N # 2 Aquí SS hace referencia a suma de cuadrados y T,R y E a total, regresión y error Cada uno de los tres parámetros define una característica; SST da la variabilidad de y si se estima usando el valor medio; SSE mide dicha variabilidad si se usa el modelo y SSR es la varianza del propio modelo. A partir del análisis de estos estadísticos y de relaciones entre ello se pede determinar la bondad del modelo lineal planteado 8
9 Regresión simple (IV) La siguiente tabla muestra la forma típica de presentación de resultados en un ANOVA. Aquí n es el número de datos que se tienen Suma de cuadrados Expresión Grados de libertad Total (SST) n (y i m y ) 2 n-1 i=1 n Regresión (SSR) (y iest m y ) 2 1 i=1 n Error (SSE) (y iest y i ) 2 n-2 Fuente Grados de libertad (gl) i=1 SS MS F Regresion 1 SSR SSR/gl MSR/MSE Error n-2 SSE SSE/gl Total n-1 SST F = MSR MSE F 1,n 2; H 0 : β 1 =0 SST=SSR+SSE Distribución F con 1,n-2 grados de libertad. 9
10 Regresión simple (V) A partir de los términos que aparecen en el ANOVA se determina otro parámetro que se conoce como R 2 Regression Analyisis by Example, Wiley. R 2 da el % de SST que refleja el modelo lineal. Este parámetro irá entre 0 y 1; cercano a 1 indica un ajuste bueno. Otra forma de entenderlo es que indica la mejora del modelo de regresión frente al modelo más tonto considerar como estimación de la variable de salida el valor medio SIEMPRE. Este parámetro es igual al coeficiente de correlación al cuadrado. 10
11 Regresión múltiple (I) El caso analizado hasta ahora, la regresión simple no es el más usual, normalmente se busca establecer relaciones entre una determinada variable de salida y más de una de entrada; tenemos entonces lo que se conoce como regresión múltiple. Aquí se pueden plantear los siguientes objetivos para el modelo Inferencia (estimación y testeo) de los parámetros que forman el modelo Las condiciones de la regresión simple se mantienen, esto es, términos ɛk se corresponden a variables aleatorias normales con valor medio 0 y varianza σ 2 no estando relacionados entre ellos (independientes). El procedimiento de cálculo es el mismo lo que ocurre ahora es que el número de parámetros a calcular crece. Buscamos minimizar la suma de los residuos al cuadrado, esto es... Estimación/predicción de y Selección de qué variables son las mejores para formar el modelo. Ahora aparecen más derivadas parciales, m+1, que se convierten en un sistema de p+1 ecuaciones lineales con coeficientes constantes. 11
12 Regresión múltiple (II) Se puede analizar el problema desde un punto de vista matricial lo que simplifica la notación. Para ello se definen los siguientes vectores y matrices 12
13 Regresión múltiple (III) Recordemos que, al igual que ocurría en la regresión simple los parámetros obtenidos son una estimación de los parámetros que se tienen en realidad. Se tendrá entonces que dicha estimación tendrá una valor esperado y una varianza Si no se conoce la varianza de los errores (que será el caso más habitual) hay que estimar dicha varianza mediante la siguiente expresión: Al igual que en la regresión simple aquí se puede realizar un Análisis de Varianza (ANOVA) y se puede calcular el parámetro R 2. En la regresión múltiple se tiene otro índice conocido como R 2 residual que refleja el mayor/menor número de parámetros en el modelo así el ajuste obtenido; viene dado por Al aumentar el número de parámetros R 2 ajustado puede aumentar O DISMINUIR (puede ser hasta negativo). Esto puede servir para escoger o no determinadas variables de entrada 13
14 Regresión múltiple (IV) Ejemplo obtenido en Use of Intermediate Statistics: Use and Interpretation, Lawrence & Erlbaum, 14
15 Regresión múltiple (V) Aquí se plantean dos test estadísticos que usan diferente distribuciones de probabilidad según la hipótesis que se quiere comprobar. Ahora lo que queremos comprobar es la hipótesis coeficiente a coeficiente Se calcula el siguiente factor Para esta hipótesis se determina el siguiente estadístico. El siguiente paso es fijar un nivel de significancia (α=0.05) y aceptar/rechazar la hipótesis nula según el siguiente criterio El siguiente paso es fijar un nivel de significancia (α=0.05) y aceptar/rechazar la hipótesis nula según el siguiente criterio Aquí la distribución a usar es la F. 15
16 Regresión múltiple (VI) A la hora de desarrollar una regresión múltiple hay que tener en cuenta una serie de cuestiones sobre las suposiciones de partida Existe la relación buscada y=g(x)?; usamos lo que se conoce como scatterplot; en este tipo de representación se tienen gráficas de la variables agrupadas por pares. Applied Linear Regression, Wiley. Otra opción es usar la matriz de correlaciones, Sobre la selección de la variables en el modelo de regresión múltiple se tienen varias aproximaciones. Forward Selection. Se considera primero un modelo simple con cada variable. Se escoge la que mejor ajuste ofrezca y se repite el procedimiento otra vez manteniendo esa variable. Así se continúa hasta no tener mejoras en el ajuste. Backward Selection. Es el procedimiento inverso al anterior, se parte de un modelo con todas las variables y se van eliminando. Se detiene el proceso cuando no se tienen mejoras en el ajuste. Stepwise Selection. Es una mezcla de los anteriores; Se comienza con un modelo simple como el primero y después de cada inclusión se plantea una eliminación de variables hasta que no se consigue una mejora apreciable. 16
17 Regresión múltiple (VII) Los residuos son i.i.d según una distribución normal de varianza constante y valor medio cero?. Se utiliza representaciones gráficas así como la determinación de los estadísticos para comprobar esta suposición Applied Statistics Using SPSS, STATISTICA, MATLAB and R, Springer. Applied Linear Regression, Wiley 17
18 Regresión múltiple (VIII) Otro punto a tener en cuenta es el evitar altas correlaciones entre las variables de entrada. Este problema se conoce como colinealidad. Este problema supone que pequeñas variaciones en los datos pueden provocar grandes cambios en los coeficientes del modelo. Existen varias formas de comprobar este hecho. La primera opción es usando lo que se conoce como matriz de correlaciones. Sin embargo esta matriz no detecta de forma correcta si se tienen variables de entrada combinaciones lineales de otras. Otro parámetro para detectar la colinealidad y que no tiene el problema de la matriz de correlaciones es el conocido como VIF (Variance Inflation Factor) definido como Aquí el índice de ajuste que aparece es el correspondiente al ajuste de la variable de entrada k usando el resto de variables de entrada. Se da como regla el eliminar aquella variable que tiene un valor superior a 10 de este parámetro. Se conoce con este nombre porque la varianza de los coeficientes de la regresíon múltiple es propocional a este valor. Si el parámetro de ajuste R es próximo a 1 el factor VIF aumenta y, por tanto, la varianza de los coeficientes también aumenta 18
19 Regresión múltiple (VIII) Ejemplo obtenido en Use of Intermediate Statistics: Use and Interpretation, Lawrence & Erlbaum, 19
20 Funciones de coste. Regresión robusta (I). El problema de las regresiones analizadas (simple y múltiple) estriba en que se intenta minimizar la suma de los residuos al cuadrado. Este hecho provoca que los outliers tengan mucha importancia en el ajuste final. Dos posibles soluciones a este problema son: a) definir una nueva función a minimizar (función de coste) y b) pesar cada uno de los términos que aparecen en la función minimizar ( weighted regression ) 20
21 Funciones de coste. Regresión robusta (II). Funciones de coste robustas. La función que se ha planteado ha sido la siguiente: Las funciones robustas más usadas son: Regresión robusta (residuos pesados) Aquí el problema que se tiene es el impacto que tienen los outliers sobre el modelo final. Podemos reducir dicha influencia si le asignamos a esos datos un valor pequeño en la función final. Esta ecuación puesta en forma matricial (aquí W es una matriz diagonal) Todas estas funciones tienen en común que presentan bajos valores cuando la variable de entrada es muy grande en relación al valor que tomaría la función de coste cuadrática. El problema de todas ellas es que no existe una solución directa y hay que aplicar procedimiento iterativos (REGLA DELTA). Desarrollando se llega a El mínimo de J es 21
22 Regresión logística (I) Hasta ahora se han desarrollado modelos para determinar el valor de una determinada variable continua (modelo de regresión); qué modelo aplicamos cuando tenemos un problema de clasificación binaria?. Usamos entonces lo que se conoce como una regresión logística Este modelo es una caso particular de lo que se conoce como MODELO LINEAL GENERALIZADO y consisten en la aplicación de una función no lineal a una regresión múltiple Si se hace la siguiente transformación Odds Se llega a la siguiente relación lineal Podemos entonces aplicar todo lo aprendido de modelos lineales para la variable transformada. 22
23 Regresión logística (II) Existe una forma de obtener la regresión logística de manera probabilística: supongamos que tenemos un problema donde queremos asignar el vector de entrada X a dos posibles clases A y B. Aplicando Bayes. Si las distribuciones condicionadas son gaussianas, esto es, Entonces, si las dos distribuciones TIENEN LA MISMA VARIANZA se llega la ecuación de una regresión logística para el valor de la probabilidad condicionada P(A X). Aquí se tiene el significado de probabilidad que se le da a este modelo. Hay que destacar que, si los dos clases no tuvieran la mima varianza (hecho que ocurre casi siempre) la aplicación de la regresión logística tiene poco sentido desde esta aproximación. 23
24 Regresión no lineal La regresión logística es un claro ejemplo de que podemos realizar ajustes a funciones no lineales en las entradas pero sí lineales en los parámetros. Las siguientes funciones son ejemplos de este tipo de linealidad El problema que existe es que, a priori no conocemos el tipo de mapeo entre cada variable de entrada y la de salida. La solución que se recurre más a menudo es establecer gráficas bidimensionales/ tridimensionales entre variables de entrada y la de salida manteniendo el resto de variables a un valor constante. Pero esto tiene un problema; dependiendo de ese valor podemos encontrar una relación u otra. A modo de ejemplo en la siguiente función Como no podemos representar las tres variables de entrada y la de salida fijamos por ejemplo x1 a 2; qué ocurre con x2?. Y si tomamos x3 igual a 2?. Los modelos lineales se pueden obtener sin problemas sin embargo tienen serias limitaciones en cuanto a su capacidad de modelización de fenómenos como la saturación, histéresis, fenómenos de memoria, ec. 24
25 MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 4: Modelos lineales. 25
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesQué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesque represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Aniel Nieves-González () Linear Regression and the LSP 1 / 25 Variables cuantitativas y relaciones entre estas (Repaso) Recuerde que
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesLinear Regression and the Least-squares problem
Linear Regression and the Least-squares problem Aniel Nieves-González Abril 2013 Aniel Nieves-González () Linear Regression and the LSP Abril 2013 1 / 25 Variables cuantitativas y relaciones entre estas
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesÁlgebra Lineal. Tema 12. Mínimos cuadrados II. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 2 Mínimos cuadrados II Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J S ALAS, A T ORRENTE Y EJS V ILLASEÑOR Índice general
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesNota de los autores... vi
ÍNDICE Nota de los autores... vi 1 Qué es la estadística?... 1 1.1 Introducción... 2 1.2 Por qué se debe estudiar estadística?... 2 1.3 Qué se entiende por estadística?... 4 1.4 Tipos de estadística...
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesTemas: Analisis of Variance (ANOVA) Regresion Lineal Multiple. M. Barreiro M. Bidegain A. Diaz Universidad de la Republica, 2009
Analisis Estadistico de Datos Climaticos Temas: Analisis of Variance (ANOVA) Regresion Lineal Multiple M. Barreiro M. Bidegain A. Diaz Universidad de la Republica, 2009 El t test compara dos grupos y determina
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 9 Nombre: Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesEstadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada
Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesConocer los principales métodos de la estadística inferencial e identificar sus aplicaciones a diversas áreas del conocimiento y de la cotidianidad.
NOMBRE DEL CURSO: ESTADÍSTICA INFERENCIAL CÓDIGO: CRÉDITOS 5 PRE-REQUISITO: POST-REQUISITO: JORNADA: PRESENTACIÓN: Se estudian los métodos más importantes de la estadística inferencial, enfocándose principalmente
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detalles2. ESTADÍSTICA DESCRIPTIVA 15 Estadística descriptiva.. Variables aleatorias Descripción de variables cuantitativas
" INDICE PRÓLOGO... XXIII PREFACIO GUÍA DE LECTURA XXV XXIX 1. INTRODUCCIÓN A LA ESTADÍSTICA 1 1.1. Estadística 1 1.2. Historia 3 1.3. Población y muestra 4 1.4. Estadística aplicada 7 1.5. Aplicaciones
Más detallesCurs de Modelització Estadística Bàsica amb Deducer. Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero
Curs de Modelització Estadística Bàsica amb Deducer Anabel Blasco Ana Vázquez Anna Espinal Llorenç Badiella Oliver Valero 1. Model de Regressió Lineal 2. Model ANOVA 3. Model Lineal General 4. Model de
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez. Facultad Nacional de Salud Pública Héctor Abad Gómez
UNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez Facultad Nacional de Salud Pública Héctor Abad Gómez La Regresión es una técnica estadística utilizadas para estimar (interpolar)
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Supuestos del modelo Álvaro José Flórez 1 Escuela de Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Y = β 0 + β 1 X + ε Supuestos: Correcta especificación
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detalles5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:
5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detalles